import pandas as pd
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import math
import re
import random

#pd.set_option('display.max_columns', None)
pd.options.mode.chained_assignment = None  # default='warn'
plt.rcParams.update({'figure.max_open_warning': 0})

C:\Users\theoj\anaconda3\lib\site-packages\pandas\core\computation\expressions.py:20: UserWarning: Pandas requires version '2.7.3' or newer of 'numexpr' (version '2.7.1' currently installed).
  from pandas.core.computation.check import NUMEXPR_INSTALLED

def sportMap(x):
    if 'Athlétisme' in x:
        x='Athlétisme'
    elif 'Hockey' in x:
        x='Hockey'
    elif 'hiver' in x:
        x='Hiver'
    elif 'combat' in x:
        x='Combat'
    elif 'raquettes' in x:
        x='Raquettes'
    elif 'équestres' in x:
        x='Equestres'
    else:
        return x
    return x

def metierMap(x):
    if 'militaire' in x.lower():
        x="Militaire"
    elif 'cadre' in x.lower():
        x="Cadre"
    elif 'foyer' in x.lower():
        x="Parent au foyer"
    elif 'travail' in x.lower():
        x="Demandeur d'emploi"
    else:
        return x
    return x
def activitéMap(x):
    if 'armée' in x.lower():
        x="Défense et Sécurité"
    elif 'avocat' in x.lower():
        x="Droit"
    elif 'f&b' in x.lower():
        x="Agroalimentaire"
    elif any(c in x.lower() for c in ('business','accounting')) :
        x="Finance"
    elif 'logistique' in x.lower():
        x="Commerce / Distribution"
    elif 'humaines' in x.lower():
        x="Ressources humaines"
    elif 'physique' in x.lower():
        x="Physique / Mécanique"
    elif 'travail' in x.lower():
        x="Chomage"
    elif 'lecture' in x.lower():
        x="Edition"
    elif any(c in x.lower() for c in ('école','lycée')):
        x="Education"
    else:
        return x
    return x
def secteurMap(x):
    if 'seine' in x.lower():
        x="Île-de-France"
    elif 'liban' in x.lower():
        x="Liban"
    elif 'beyrouth' in x.lower():
        x="Liban"
    else:
        return x
    return x

def raisonsMap(dicti):
    returnDict = {}
    for x in dicti.keys():
        if 'pas utile à mon niveau de pratique du sport' in x.lower().strip():
            raison="Pas utile à mon niveau de pratique du sport"
        elif "pas nécessaire" in x.lower().strip():
            raison="Pas utile à mon niveau de pratique du sport"
        elif "je trouve difficile de choisir un appareil parmi beaucoup de choix disponibles" in x.lower().strip():
            raison="Je trouve difficile de choisir un appareil parmi beaucoup de choix disponibles"
        elif "pas de connaissance sur l'existence d'un appareil utile pour mon sport" in x.lower().strip():
            raison="Pas de connaissance sur l'existence d'un appareil utile pour mon sport"
        elif "mon club sportif ne possède pas ce type d'appareil" in x.lower().strip():
            raison="Mon club sportif ne possède pas ce type d'appareil"
        elif "connaissance d'un appareil utile mais trop cher" in x.lower().strip():
            raison="Connaissance d'un appareil utile mais trop cher"
        else:
            raison=x

        if(raison not in returnDict.keys()):
            returnDict[raison] = dicti[x]
        else:
            returnDict[raison]+= dicti[x]

    return returnDict

def raisonsOuiMap(dicti):
    returnDict = {}
    for x in dicti.keys():
        if 'pouvoir suivre mes performances' in x.lower().strip():
            raison="Pouvoir suivre mes performances"
        elif "pouvoir améliorer mes performances" in x.lower().strip():
            raison="Pouvoir améliorer mes performances"
        elif "me motiver à pratiquer plus régulièrement mon sport" in x.lower().strip():
            raison="Me motiver à pratiquer plus régulièrement mon sport"
        elif "pouvoir comparer mes performances avec celles d'autres sportifs (mes amis et des pro)" in x.lower().strip():
            raison="Pouvoir comparer mes performances avec celles d'autres sportifs (mes amis et des pro)"
        elif "sur conseils de mon médecin pour une rééducation ou suivi médical" in x.lower().strip():
            raison="Sur conseils de mon médecin pour une rééducation ou suivi médical"
        elif "pouvoir pratiquer mon sport en réduisant les blessures" in x.lower().strip():
            raison="Pouvoir pratiquer mon sport en réduisant les blessures"
        elif "innovation technologique utilisée par les plus grands sportifs" in x.lower().strip():
            raison="Être en possession d'une innovation technologique utilisée par les plus grands sportifs"
        else:
            raison=x

        if(raison not in returnDict.keys()):
            returnDict[raison] = dicti[x]
        else:
            returnDict[raison]+= dicti[x]

    return returnDict

def influenceMap(dfAll):
    indexes = dfAll.index
    dicti = {}
    for ind in indexes:
        dicti[ind] = dfAll["count"].loc[ind]
    returnDict = {}
    for x in dicti.keys():
        if any(c in x.lower() for c in ('suivi','suivre')):
            raison="Pouvoir suivre mes performances"
        elif "pouvoir améliorer mes performances" in x.lower().strip():
            raison="Pouvoir améliorer mes performances"
        else:
            raison=x

        if(raison not in returnDict.keys()):
            returnDict[raison] = dicti[x]
        else:
            returnDict[raison]+= dicti[x]

    return returnDict

url="https://docs.google.com/spreadsheets/d/16cXP4m1XDYwKcRIeeElBl6HpkMul82d4VYYz6XiTwOg/export?format=csv&gid=1905028942"
dfAll = pd.read_csv(url,sep=',')
dfAll.drop(columns=['Horodateur'],inplace=True)
dfAll.dropna(axis=0,inplace=True,how='all')

column_to_move = dfAll.pop("Qui serait votre principale influence à l'utilisation d'un appareil de suivi des performances ?")
dfAll.insert(6, "Qui serait votre principale influence à l'utilisation d'un appareil de suivi des performances ?", column_to_move)
column_to_move = dfAll.pop("Préfèreriez-vous avoir votre propre appareil, ou bien utiliser un appareil présent directement à l'endroit où vous pratiquer votre sport ?")
dfAll.insert(7, "Préfèreriez-vous avoir votre propre appareil, ou bien utiliser un appareil présent directement à l'endroit où vous pratiquer votre sport ?", column_to_move)
column_to_move = dfAll.pop("Est-ce que l'achat d'un appareil reconditionné / d'occasion, et donc moins cher, vous intéresserait ?")
dfAll.insert(8, "Est-ce que l'achat d'un appareil reconditionné / d'occasion, et donc moins cher, vous intéresserait ?", column_to_move)

dfAll["Quel est votre sport principal dans la liste ci-dessous ?"] = dfAll["Quel est votre sport principal dans la liste ci-dessous ?"].map(sportMap)
dfAll["Quelle est votre catégorie socio-professionnelle ?"]=dfAll["Quelle est votre catégorie socio-professionnelle ?"].map(metierMap)
dfAll["Quel est votre secteur d'activité ?"]=dfAll["Quel est votre secteur d'activité ?"].map(activitéMap)
dfAll["Quelle est votre principale région de résidence ?"]=dfAll["Quelle est votre principale région de résidence ?"].map(secteurMap)
dfAll['count']=0
dfAll

	À quelle fréquence pratiquez-vous une activité sportive ?	Pratiquez-vous un sport en club sportif ? (salle de sport, club de football, cours de boxe, etc)	Pratiquez-vous un sport en compétition ? (tournois sportifs, marathon, championnats, etc)	Lors de la pratique de votre sport, utilisez-vous un appareil de suivi de vos performances ? (montre connectée, capteur sur soi, application mobile, etc)	Si oui quel(s) appareil(s) utilisez-vous ?	Si non pour quelles raisons ?	Qui serait votre principale influence à l'utilisation d'un appareil de suivi des performances ?	Préfèreriez-vous avoir votre propre appareil, ou bien utiliser un appareil présent directement à l'endroit où vous pratiquer votre sport ?	Est-ce que l'achat d'un appareil reconditionné / d'occasion, et donc moins cher, vous intéresserait ?	Quel est votre sport principal dans la liste ci-dessous ?	...	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.6	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.7	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.8	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.9	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.10	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.11	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.12	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.13	Seriez-vous plus intéressé par l'achat d'un appareil, ou par sa location ?.14	count
0	Régulièrement chaque semaine	Oui	Oui	Non	NaN	Pas de connaissance sur l'existence d'un appar...	Mon entraineur m'en a conseillé un	Mon propre appareil	Peut-être, cela dépend de l'état du produit	Hockey	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0
1	Régulièrement chaque semaine	Oui	Non	Non	NaN	Pas de connaissance sur l'existence d'un appar...	Mon entraineur m'en a conseillé un	Mon propre appareil	Peut-être, cela dépend de l'état du produit	Raquettes	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0
2	Régulièrement chaque mois	Oui	Oui	Non	NaN	Pas utile à mon niveau de pratique du sport	Des amis l'utilisent	Mon propre appareil	Peut-être, cela dépend de l'état du produit	Football	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0
3	Régulièrement chaque semaine	Non	Non	Non	NaN	Pas utile à mon niveau de pratique du sport	Des amis l'utilisent	Mon propre appareil	Oui, s'il fonctionne c'est le principal	Football	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0
4	Régulièrement chaque semaine	Oui	Non	Non	NaN	Pas utile à mon niveau de pratique du sport	Des amis l'utilisent	Mon propre appareil	Non, je préfère un produit neuf	Musculation	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
124	Régulièrement chaque mois	Non	Non	Non	NaN	Connaissance d'un appareil utile mais trop cher	Des amis l'utilisent	Mon propre appareil	Oui, s'il fonctionne c'est le principal	Equestres	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Achat	NaN	0
125	Régulièrement chaque semaine	Oui	Oui	Non	NaN	NaN	Des fédérations sportives professionnelles / c...	Un appareil présent sur place	Oui, s'il fonctionne c'est le principal	Equestres	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	Location	NaN	0
126	Régulièrement chaque semaine	Non	Non	Non	NaN	Pas utile à mon niveau de pratique du sport	Des amis l'utilisent	Mon propre appareil	Peut-être, cela dépend de l'état du produit	Musculation	...	NaN	Achat	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0
127	Régulièrement chaque semaine	Oui	Non	Oui	Polar watch	NaN	Une nouvelle experience	Mon propre appareil	Non, je préfère un produit neuf	Natation	...	NaN	NaN	Achat	NaN	NaN	NaN	NaN	NaN	NaN	0
128	Plutôt rarement	Oui	Non	Oui	Fitbit	NaN	Des amis l'utilisent	Mon propre appareil	Non, je préfère un produit neuf	Natation	...	NaN	NaN	Achat	NaN	NaN	NaN	NaN	NaN	NaN	0

129 rows × 207 columns

print(f"Il y eu {len(dfAll)} réponses au questionnaire")

Il y eu 129 réponses au questionnaire

Analyses selon les profils

def countMultiple(dfCol):
    tempDict = {}
    for i in range (len(dfCol)):
        try:
            allCol = dfCol[i].split(',')
            for val in allCol:
                if(val.strip() in tempDict.keys()):
                    tempDict[val.strip()] += 1
                else:
                    tempDict[val.strip()] = 1
        except:
            pass
    return tempDict

def getParVal(dictTec):
    tempDict = {}
    for i in dictTec.keys():
        try:
            resultat = re.findall(r"(?<=de type\s).*", i)[0][:-1]
            if(resultat in tempDict.keys()):
                tempDict[resultat] += dictTec[i]
            else:
                tempDict[resultat] = dictTec[i]
        except:
            resultat = ""
            
    return tempDict

def getColInd(dfCol,mot):
    ind = " "
    for i in dfCol.columns:
        if(mot in i):
            ind=i
            break
    return ind

figWeight,figHeight = 10,7 
tempDf=dfAll.groupby(getColInd(dfAll,'genre')).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Genre des participants",ylabel='Genre',autopct='%1.1f%%',colors= ['royalblue','hotpink','orange'])

<AxesSubplot:title={'center':'Genre des participants'}, ylabel='Genre'>

tempDf=dfAll.groupby(getColInd(dfAll,"tranche d'âge")).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Age des participants",ylabel='Age',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Age des participants'}, ylabel='Age'>

tempDf=dfAll.groupby(getColInd(dfAll,'socio-professionnelle')).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Metier des participants",ylabel='Metier',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Metier des participants'}, ylabel='Metier'>

tempDf=dfAll.groupby(getColInd(dfAll,'secteur')).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Secteur des participants",ylabel='Secteur',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Secteur des participants'}, ylabel='Secteur'>

tempDf=dfAll.groupby(getColInd(dfAll,'principale région')).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Lieu des participants",ylabel='Lieu',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Lieu des participants'}, ylabel='Lieu'>

tempDf=dfAll.groupby(dfAll.columns[0]).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Fréquence des sessions de sport",ylabel='Fréquence',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Fréquence des sessions de sport'}, ylabel='Fréquence'>

tempDf=dfAll.groupby(dfAll.columns[1]).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Pratiquez-vous un sport en club",ylabel='Club',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Pratiquez-vous un sport en club'}, ylabel='Club'>

tempDf=dfAll.groupby(dfAll.columns[2]).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Pratiquez-vous un sport en competition",ylabel='Competition',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Pratiquez-vous un sport en competition'}, ylabel='Competition'>

tempDf=dfAll.groupby(dfAll.columns[3]).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(kind='pie',figsize=(figWeight,figHeight),title="Sport avec appareil",ylabel='Appareil',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Sport avec appareil'}, ylabel='Appareil'>

tempDf=dfAll[dfAll.columns[4]].dropna()
tempDf.sort_values().to_frame()

	Si oui quel(s) appareil(s) utilisez-vous ?
72	Apple Watch
54	Apple watch
51	Apple watch
25	Apple watch
110	Application
31	Application mobile
122	Application mobile
35	Application sur téléphone
78	Application téléphone
128	Fitbit
89	Garmin
17	Garmin
88	Garmin Venu 2
58	Montre
94	Montre
76	Montre
37	Montre Garmin
71	Montre Garmin foreverunner 735 xt
81	Montre Suunto 9
101	Montre connectée
103	Montre connectée
109	Montre connectée
70	Montre connectée
8	Montre connectée
9	Montre connectée
104	Montre connectée
32	Montre connectée
20	Montre coros 2
27	Montre garmin
80	Montre sunto
127	Polar watch
68	Portable / Runkeeper
55	Samsung watch
38	Strava
64	Strava
82	Suunto 9, Freeletics, Suunto Zoop Novo
99	Telephone Apple
87	Téléphone
34	Téléphone
46	Velo d'appartement
49	X
60	application tel
59	aucun car cest mauvais on pe se faire mal par ...
106	fit
117	montre connectee
56	montre connecter
69	« Santé » sur iPhone pour la distance parcourue

minValues = 2
tempDf = countMultiple(dfAll[dfAll.columns[5]])
tempDf = raisonsMap(tempDf)
tempDf = pd.DataFrame(data=tempDf.values(),columns=["count"],index=tempDf.keys())
tempDfMin = tempDf[tempDf["count"]<=minValues]
tempDf = tempDf[tempDf["count"]>minValues]
tempDf.sort_values(by='count',ascending=True).head().plot(kind='barh',figsize=(10,7),title="Obstacles",ylabel="Obstacles")

<AxesSubplot:title={'center':'Obstacles'}, ylabel='Obstacles'>

tempDfMin.sort_values(by='count',ascending=False)

	count
Je n'aime pas courir avec un téléphone dans la poche	1
Flemme	1
c est dangereux	1
Pour des renseignements	1
Je n'en vois pas l'intérêt	1
Étant une ancienne sportive en sport Études- je connais mes limites et l’entraînement adapté pour un résultat bénéfique.	1
No need	1

minValues = 2
tempDf=dfAll.groupby(getColInd(dfAll,'influence')).count().sort_values(by='count',ascending=False)
tempDf = influenceMap(tempDf)
tempDf = pd.DataFrame(data=tempDf.values(),columns=["count"],index=tempDf.keys())
tempDfMin = tempDf[tempDf["count"]<=minValues]
tempDf = tempDf[tempDf["count"]>minValues]
tempDf["count"].sort_values(ascending=False).plot(kind='pie',figsize=(figWeight,figHeight),title="Influence pour utilisation",ylabel='Influenceur',autopct='%1.1f%%')
#tempDf.iloc[:,1].plot(kind='barh',figsize=(figWeight,figHeight),title="Influence pour utilisation",ylabel='Influenceur')

<AxesSubplot:title={'center':'Influence pour utilisation'}, ylabel='Influenceur'>

tempDfMin['count'].to_frame()

	count
Aucun	1
Si je veux prendre le sport serieusement et comme priorité	1
curiosité personnelle, stats	1
Une nouvelle experience	1
Not accurate	1
Permet une analyse des entraînements et compétitions	1
Moi même	1
Juste la disponibilité de l’app sur mon iphone	1
suggestion téléphone	1

minValues = 2
raisonsBool = ['Oui','Non']
raisonsBool2 = ['Oui','Non']

for r1 in raisonsBool:
    for r2 in raisonsBool2:
        tempDf = dfAll[(dfAll['Pratiquez-vous un sport en compétition ? (tournois sportifs, marathon, championnats, etc)']==r1)&(dfAll['Pratiquez-vous un sport en club sportif ? (salle de sport, club de football, cours de boxe, etc)']==r2)]
        tempDf=tempDf.groupby(getColInd(dfAll,'influence')).count().sort_values(by='count',ascending=False)
        tempDf = influenceMap(tempDf)
        tempDf = pd.DataFrame(data=tempDf.values(),columns=["count"],index=tempDf.keys())
        tempDfMin = tempDf[tempDf["count"]<=minValues]
        tempDf = tempDf[tempDf["count"]>minValues]
        tempDf["count"].sort_values(ascending=False).plot(kind='pie',figsize=(figWeight,figHeight),title=f"Influence pour utilisation {r1}/{r2}",ylabel='Influenceur',autopct='%1.1f%%')
        plt.show()
#tempDf.iloc[:,1].plot(kind='barh',figsize=(figWeight,figHeight),title="Influence pour utilisation",ylabel='Influenceur')

tempDf=dfAll.groupby(getColInd(dfAll,'votre propre appareil')).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(fontsize=15,kind='pie',figsize=(figWeight,figHeight),title="Possession de l'appareil",ylabel='Possession',autopct='%1.1f%%')

<AxesSubplot:title={'center':"Possession de l'appareil"}, ylabel='Possession'>

tempDf=dfAll.groupby(getColInd(dfAll,'donc moins cher')).count().sort_values(by='count',ascending=False)
tempDf.iloc[:,1].plot(fontsize=15,kind='pie',figsize=(figWeight,figHeight),title="Appareil reconditionné",ylabel='Possession',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Appareil reconditionné'}, ylabel='Possession'>

tempDf=dfAll.groupby(dfAll.columns[9]).count().sort_values(by='count',ascending=True)
tempDf.iloc[:,1].plot(kind='barh',figsize=(15,8),title="Sport Principal",ylabel='Sport')

<AxesSubplot:title={'center':'Sport Principal'}, ylabel='Sport'>

Uniformisation puis séparation selon les sports

def renameCol(df):
    cols = {}
    for i in df.columns:
        if('approfondi' in i):
            cols[i]='Complexe_Simple'
        elif ("N'hesitez-pas à rajouter" in i):
            cols[i]='Appareils_Utiles'
        elif ("seraient les raisons" in i):
            cols[i]='Raisons'
        elif ("Prix trop élevé" in i):
            cols[i]='Obstacle_Prix'
        elif ("Peur de l'inconfort" in i):
            cols[i]='Obstacle_Inconfort'
        elif ("Peur qu'il soit inutile" in i):
            cols[i]='Obstacle_Inutile'
        elif ("Peur qu'il soit mal utilisé" in i):
            cols[i]='Obstacle_Mauv_Utilisation'
        elif ("mauvaise qualité" in i):
            cols[i]='Obstacle_Qualite'
        elif ("esthétique désagréable" in i):
            cols[i]='Obstacle_Visuel'
        elif ("abonnement pour utiliser" in i):
            cols[i]='Montant_Abonnement'
        elif ("dépenser pour vous procurer" in i):
            cols[i]='Montant_Achat'
        elif ("achat d'un appareil, ou par sa location" in i):
            cols[i]='Achat_Loc'
    df.rename(columns=cols,inplace=True) 
    return df

def nanAchat_Loc(x):
    choice = ['Achat','Location']
    try:
        x = float(x)
        x = random.choice(choice)
        return x
    except:
        if x==0:
            x = random.choice(choice)
            return x
        else:
            return x

sports = {}
for i in range (len(dfAll)):
    tempSport = dfAll['Quel est votre sport principal dans la liste ci-dessous ?'].iloc[i]
    if(tempSport not in sports):
        sports[tempSport] = 1
    else:
        sports[tempSport]+=1
        
dictDF ={}
for sport in sports.keys():
    dictDF[sport] = dfAll[dfAll['Quel est votre sport principal dans la liste ci-dessous ?']==sport]
    dictDF[sport].dropna(axis=1,inplace=True,how='all')
    renameCol(dictDF[sport])
    if 'Achat_Loc' not in dictDF[sport].columns:
        dictDF[sport]['Achat_Loc'] = 0
        dictDF[sport]['Achat_Loc'] = dictDF[sport]['Achat_Loc'].map(nanAchat_Loc)
    dictDF[sport].sort_index(axis=1, ascending=False,inplace=True)
    print(f"Il y a eu {len(dictDF[sport])} réponses pour le sport {sport}")
    

Il y a eu 1 réponses pour le sport Hockey
Il y a eu 9 réponses pour le sport Raquettes
Il y a eu 13 réponses pour le sport Football
Il y a eu 26 réponses pour le sport Musculation
Il y a eu 29 réponses pour le sport Athlétisme
Il y a eu 5 réponses pour le sport Hiver
Il y a eu 13 réponses pour le sport Natation
Il y a eu 6 réponses pour le sport Rugby
Il y a eu 2 réponses pour le sport Handball
Il y a eu 5 réponses pour le sport Combat
Il y a eu 7 réponses pour le sport Cyclisme
Il y a eu 3 réponses pour le sport Volleyball
Il y a eu 3 réponses pour le sport Basketball
Il y a eu 4 réponses pour le sport Golf
Il y a eu 3 réponses pour le sport Equestres

tempDict = {}
for i in dictDF['Hiver']['Appareils_Utiles']:
    allCol = i.split(',')
    for val in allCol:
        if(val.strip() in tempDict.keys()):
            tempDict[val.strip()] += 1
        else:
            tempDict[val.strip()] = 1
tempDict

{'Ski connectés pour des statistiques (de type Rossignol & PIQ)': 3,
 'Analyse vidéo des gestes (de type Dartfish)': 3,
 "Ski connectés pour suivre l'état du matériel et donc éviter les blessures (de type Black Line Ski)": 2,
 'Simulateurs de descente à ski (de type Pro Ski Simulator)': 2}

def countMultipleAppareils(dfCol):
    tempDict = {}
    for i in dfCol: 
        try:
            allCol = i.split(',')
            for val in allCol:
                if(val.strip() in tempDict.keys()):
                    tempDict[val.strip()] += 1
                else:
                    tempDict[val.strip()] = 1
        except:
            pass
    return tempDict

for sport in dictDF.keys():
    tempApp = countMultipleAppareils(dictDF[sport]['Appareils_Utiles'])
    tempDf = pd.DataFrame(data=tempApp.values(),columns=["count"],index=tempApp.keys())
    c =tempDf.sort_values(by='count',ascending=False).head(3)
    #print(c)
    c["count"].plot(kind='barh',title=sport)
    plt.show()

def countMultipleSport(dfCol):
    tempDict = {}
    for i in dfCol:
        try:
            allCol = i.split(',')        
            for val in allCol:
                if(val.strip() in tempDict.keys()):
                    tempDict[val.strip()] += 1
                else:
                    tempDict[val.strip()] = 1          
        except:
            print(i)
            pass
    return tempDict


for k in dictDF.keys():
    dfTest = dictDF[k]
    tempDf = countMultipleSport(dfTest[dfTest.columns[4]])
    tempDf = raisonsMap(tempDf)
    tempDf = pd.DataFrame(data=tempDf.values(),columns=["count"],index=tempDf.keys())
    c =tempDf.sort_values(by='count',ascending=False).head(1)
    print(k,":",c.index[0],"->",c["count"].iloc[0])

Hockey : Mon entraineur m'en a conseillé un -> 1
Raquettes : Pouvoir améliorer mes performances -> 9
Football : Pouvoir suivre mes performances -> 10
Musculation : Pouvoir améliorer mes performances -> 18
Athlétisme : Pouvoir suivre mes performances -> 26
Hiver : Des amis l'utilisent -> 2
Natation : Pouvoir suivre mes performances -> 6
Rugby : Pouvoir améliorer mes performances -> 3
Handball : Mon entraineur m'en a conseillé un -> 1
Combat : Pouvoir suivre mes performances -> 4
Cyclisme : Me motiver à pratiquer plus régulièrement mon sport -> 4
Volleyball : Sur conseils de mon médecin pour une rééducation ou suivi médical -> 1
Basketball : Des amis l'utilisent -> 1
Golf : Pouvoir améliorer mes performances -> 3
Equestres : Mon médecin m'en a conseillé un -> 1

for k in dictDF.keys():
    print('Montant_Abonnement et Achat')
    tempDf = dictDF[k].groupby('Montant_Abonnement').count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    #print('Montant_Achat')
    tempDf = dictDF[k].groupby('Montant_Achat').count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    tempDf = dictDF[k].groupby('Complexe_Simple').count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    try:
        tempDf = dictDF[k].groupby('Achat_Loc').count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
        print(k,":",tempDf[0])
    except:
        print("pas de loc")
    tempDf = dictDF[k].groupby("Quelle est votre tranche d'âge ?").count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    tempDf = dictDF[k].groupby("Quelle est votre principale région de résidence ?").count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    tempDf = dictDF[k].groupby("Quel est votre secteur d'activité ?").count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    tempDf = dictDF[k].groupby("Quelle est votre catégorie socio-professionnelle ?").count().sort_values(by='count',ascending=False).iloc[:,1:2].head(1).index
    print(k,":",tempDf[0])
    
    
    

Montant_Abonnement et Achat
Hockey : 0-4,99 euros
Hockey : 0-24 euros
Hockey : Complet mais complexe
Hockey : Achat
Hockey : 15-17 ans
Hockey : Île-de-France
Hockey : Education
Hockey : Etudiant
Montant_Abonnement et Achat
Raquettes : 0-4,99 euros
Raquettes : 50-99 euros
Raquettes : Simplifié mais compréhensible
Raquettes : Achat
Raquettes : 18-24 ans
Raquettes : Île-de-France
Raquettes : Agroalimentaire
Raquettes : Etudiant
Montant_Abonnement et Achat
Football : 0-4,99 euros
Football : 50-99 euros
Football : Simplifié mais compréhensible
Football : Achat
Football : 18-24 ans
Football : Île-de-France
Football : Finance
Football : Etudiant
Montant_Abonnement et Achat
Musculation : 0-4,99 euros
Musculation : 100-299 euros
Musculation : Simplifié mais compréhensible
Musculation : Achat
Musculation : 18-24 ans
Musculation : Île-de-France
Musculation : Informatique  / Télécom
Musculation : Etudiant
Montant_Abonnement et Achat
Athlétisme : 5-9,99 euros
Athlétisme : 100-299 euros
Athlétisme : Simplifié mais compréhensible
Athlétisme : Achat
Athlétisme : 18-24 ans
Athlétisme : Île-de-France
Athlétisme : Santé / Social
Athlétisme : Employé
Montant_Abonnement et Achat
Hiver : 0-4,99 euros
Hiver : 100-299 euros
Hiver : Complet mais complexe
Hiver : Achat
Hiver : 18-24 ans
Hiver : Île-de-France
Hiver : Education
Hiver : Enseignant
Montant_Abonnement et Achat
Natation : 0-4,99 euros
Natation : 50-99 euros
Natation : Simplifié mais compréhensible
Natation : Achat
Natation : 45-55 ans
Natation : Île-de-France
Natation : Communication / Marketing
Natation : Employé
Montant_Abonnement et Achat
Rugby : 0-4,99 euros
Rugby : 25-49 euros
Rugby : Simplifié mais compréhensible
Rugby : Achat
Rugby : 18-24 ans
Rugby : Île-de-France
Rugby : Energie
Rugby : Etudiant
Montant_Abonnement et Achat
Handball : 5-9,99 euros
Handball : 25-49 euros
Handball : Complet mais complexe
Handball : Achat
Handball : 18-24 ans
Handball : Île-de-France
Handball : Défense et Sécurité
Handball : Etudiant
Montant_Abonnement et Achat
Combat : 5-9,99 euros
Combat : 25-49 euros
Combat : Simplifié mais compréhensible
Combat : Achat
Combat : 25-34 ans
Combat : Île-de-France
Combat : Communication / Marketing
Combat : Etudiant
Montant_Abonnement et Achat
Cyclisme : 5-9,99 euros
Cyclisme : 100-299 euros
Cyclisme : Simplifié mais compréhensible
Cyclisme : Achat
Cyclisme : 35-44 ans
Cyclisme : Bourgogne Franche-Comté
Cyclisme : Santé / Social
Cyclisme : Cadre
Montant_Abonnement et Achat
Volleyball : 20 euros et plus
Volleyball : 50-99 euros
Volleyball : Complet mais complexe
Volleyball : Achat
Volleyball : 18-24 ans
Volleyball : Liban
Volleyball : Art
Volleyball : Cadre
Montant_Abonnement et Achat
Basketball : 10-14,99euros
Basketball : 50-99 euros
Basketball : Complet mais complexe
Basketball : Achat
Basketball : 25-34 ans
Basketball : Liban
Basketball : Commerce / Distribution
Basketball : Cadre
Montant_Abonnement et Achat
Golf : 10-14,99euros
Golf : 100-299 euros
Golf : Complet mais complexe
Golf : Achat
Golf : 18-24 ans
Golf : Bourgogne Franche-Comté
Golf : Energie
Golf : Cadre
Montant_Abonnement et Achat
Equestres : 5-9,99 euros
Equestres : 0-24 euros
Equestres : Complet mais complexe
Equestres : Achat
Equestres : 15-17 ans
Equestres : Île-de-France
Equestres : Physique / Mécanique
Equestres : Etudiant

tempAllDf = []
for i in dictDF.keys():
    tempAllDf.append(dictDF[i])
result = pd.concat(tempAllDf)
result.head()

	À quelle fréquence pratiquez-vous une activité sportive ?	count	Si non pour quelles raisons ?	Raisons	Qui serait votre principale influence à l'utilisation d'un appareil de suivi des performances ?	Quelle est votre tranche d'âge ?	Quelle est votre principale région de résidence ?	Quelle est votre catégorie socio-professionnelle ?	Quel est votre sport principal dans la liste ci-dessous ?	Quel est votre secteur d'activité ?	...	Obstacle_Inutile	Obstacle_Inconfort	Montant_Achat	Montant_Abonnement	Lors de la pratique de votre sport, utilisez-vous un appareil de suivi de vos performances ? (montre connectée, capteur sur soi, application mobile, etc)	Est-ce que l'achat d'un appareil reconditionné / d'occasion, et donc moins cher, vous intéresserait ?	Complexe_Simple	Appareils_Utiles	Achat_Loc	Si oui quel(s) appareil(s) utilisez-vous ?
0	Régulièrement chaque semaine	0	Pas de connaissance sur l'existence d'un appar...	Pouvoir améliorer mes performances, Pouvoir co...	Mon entraineur m'en a conseillé un	15-17 ans	Île-de-France	Etudiant	Hockey	Education	...	2.0	2.0	0-24 euros	0-4,99 euros	Non	Peut-être, cela dépend de l'état du produit	Complet mais complexe	Analyse vidéo des gestes (de type Dartfish), B...	Achat	NaN
1	Régulièrement chaque semaine	0	Pas de connaissance sur l'existence d'un appar...	Pouvoir suivre mes performances, Pouvoir améli...	Mon entraineur m'en a conseillé un	18-24 ans	Île-de-France	Etudiant	Raquettes	Informatique / Télécom	...	2.0	4.0	25-49 euros	0-4,99 euros	Non	Peut-être, cela dépend de l'état du produit	Complet mais complexe	Analyse vidéo des gestes (de type Dartfish), B...	NaN	NaN
6	Régulièrement chaque mois	0	Pas utile à mon niveau de pratique du sport	Pouvoir améliorer mes performances	Des sportifs professionnels que j'apprécie l'u...	18-24 ans	Île-de-France	Etudiant	Raquettes	Industrie	...	1.0	1.0	50-99 euros	0-4,99 euros	Non	Oui, s'il fonctionne c'est le principal	Complet mais complexe	Analyse vidéo des gestes (de type Dartfish), B...	Achat	NaN
27	Régulièrement chaque semaine	0	NaN	Pouvoir suivre mes performances, Pouvoir améli...	Des amis l'utilisent	18-24 ans	Normandie	Etudiant	Raquettes	Agroalimentaire	...	3.0	2.0	50-99 euros	0-4,99 euros	Oui	Oui, s'il fonctionne c'est le principal	Simplifié mais compréhensible	Analyse vidéo des gestes (de type Dartfish), A...	Achat	Montre garmin
29	Occasionnellement	0	Connaissance d'un appareil utile mais trop cher	Pouvoir suivre mes performances, Pouvoir améli...	Mon médecin m'en a conseillé un	18-24 ans	Île-de-France	Etudiant	Raquettes	Communication / Marketing	...	3.0	2.0	50-99 euros	0-4,99 euros	Non	Oui, s'il fonctionne c'est le principal	Simplifié mais compréhensible	Capteur sur la raquette pour analyser le coup ...	Achat	NaN

5 rows × 28 columns

tempDf = countMultiple(result['Raisons'])
tempDf = raisonsOuiMap(tempDf)
tempDf = pd.DataFrame(data=tempDf.values(),columns=["count"],index=tempDf.keys())
tempDf.sort_values(by='count',ascending=True).plot(kind='barh',figsize=(10,7),title="Motivations",ylabel="Motivations")

<AxesSubplot:title={'center':'Motivations'}, ylabel='Motivations'>

dfObs = result[['Obstacle_Qualite','Obstacle_Prix','Obstacle_Mauv_Utilisation','Obstacle_Inutile','Obstacle_Inconfort','Obstacle_Visuel']]
dfObs.mean().sort_values(ascending=True).plot(xlim=[0,5],kind='barh',figsize=(15,8),title="Du plus important au moins important",color='tomato')

<AxesSubplot:title={'center':'Du plus important au moins important'}>

tempDf = getParVal(countMultiple(result['Appareils_Utiles']))
tempDf = pd.DataFrame(data=tempDf.values(),columns=["count"],index=tempDf.keys())
tempDf.sort_values(by='count',ascending=False).head().plot(kind='barh',figsize=(13,7),title="Appareils Utiles",ylabel="Obstacles")

<AxesSubplot:title={'center':'Appareils Utiles'}, ylabel='Obstacles'>

tempDf.sort_values(by='count',ascending=False)

	count
Dartfish	37
Garmin	26
MOOV Now	21
Strava	17
PhyNord	17
TechnoSport d’Aix-Marseille	9
STATSport ou Catapult	8
Phyling	7
PhyLift	7
Zepp	7
HOVR Phantom	6
Opta	5
PhyPlate	4
Playsight	4
Speed cell Adidas	4
Tennis Analytic	4
M-Tracer Epson	3
TopGolf	3
FlyFit	3
Hykso	3
VERT	3
Rossignol & PIQ	3
Pop de Babolat & Piq	3
Playermaker CITYPLAY	3
Black Line Ski	2
Pro Ski Simulator	2
GraffGolf	2
Wilson Smart Basketball	2
BIOMECAFORCE	2
CWD iJUMP	2
Huupe	2
Corner	2
StepUp Horse ou Equisense	2
Prevent Biometrics	2
Aquanex analysis	1
HELIOS	1
Zwift	1
P2C - Prévention des Commotions Cérébrales	1
CEEFIT	1
I-Percut	1
Guardlab	1
KiSwim	1
DataDunk	1
Kinexon	1
Handball.ai ou Kinexon	1
Catapult	1
Magellan Echo Fit	1
Motionysis	1
LifeBeam Helmet	1
DeepStrike	1
Shot Tracker	1

dfObs=result.groupby('Montant_Achat').count()#.sort_values(by='Genre',ascending=False)
dfObs['count'].plot(kind="pie",figsize=(figWeight,figHeight),title="Montant Achat",ylabel='Montant',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Montant Achat'}, ylabel='Montant'>

dfObs=result.groupby('Montant_Abonnement').count()#.sort_values(by='count',ascending=True)
dfObs['count'].plot(kind="pie",figsize=(figWeight,figHeight),title="Montant Abonnement",ylabel='Montant',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Montant Abonnement'}, ylabel='Montant'>

dfObs=result.groupby('Complexe_Simple').count()#.sort_values(by='count',ascending=False)
dfObs['count'].plot(kind="pie",figsize=(figWeight,figHeight),title="Complexité appareil",ylabel='Complexité',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Complexité appareil'}, ylabel='Complexité'>

dfObs=result.groupby('Achat_Loc').count()#.sort_values(by='Genre',ascending=False)
dfObs['count'].plot(kind="pie",figsize=(figWeight,figHeight),title="Achat ou Location",ylabel='Achat/Location',autopct='%1.1f%%')

<AxesSubplot:title={'center':'Achat ou Location'}, ylabel='Achat/Location'>

Analyse par Age

#Colonnes à analyser
statNames = ["Montant_Abonnement","Montant_Achat",
             "Qui serait votre principale influence à l'utilisation d'un appareil de suivi des performances ?",
             "Préfèreriez-vous avoir votre propre appareil, ou bien utiliser un appareil présent directement à l'endroit où vous pratiquer votre sport ?",
             "Est-ce que l'achat d'un appareil reconditionné / d'occasion, et donc moins cher, vous intéresserait ?",
             "Complexe_Simple","Achat_Loc",
             "Quel est votre sport principal dans la liste ci-dessous ?"]

ages = {}
for i in range (len(result)):
    tempAge = result["Quelle est votre tranche d'âge ?"].iloc[i]
    if(tempAge not in ages):
        ages[tempAge] = 1
    else:
        ages[tempAge]+=1

ageDict ={}
for curAges in ages.keys():
    ageDict[curAges] = result[result["Quelle est votre tranche d'âge ?"]==curAges]
    ageDict[curAges].dropna(axis=1,inplace=True,how='all')
    renameCol(ageDict[curAges])
    ageDict[curAges].sort_index(axis=1, ascending=False,inplace=True)
    print(f"Il y a eu {len(ageDict[curAges])} réponses pour l'âge {curAges}")
    
ageDict = dict(sorted(ageDict.items()))

#Graph    
for stat in statNames:
    for k in ageDict.keys():
        ageDict[k].groupby(by=stat).count().plot(kind='pie',y='count',figsize=(5,5),title=f"{stat} pour un(e) {k} -> {len(ageDict[k])} réponses",autopct='%1.1f%%',legend=False)

Il y a eu 9 réponses pour l'âge 15-17 ans
Il y a eu 52 réponses pour l'âge 18-24 ans
Il y a eu 15 réponses pour l'âge 55 ans et plus
Il y a eu 23 réponses pour l'âge 45-55 ans
Il y a eu 19 réponses pour l'âge 25-34 ans
Il y a eu 11 réponses pour l'âge 35-44 ans

"""
colFilter = ["Quelle est votre tranche d'âge ?",'Montant_Abonnement']
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf["count"].to_frame()

colFilter = ["Quelle est votre tranche d'âge ?",'Montant_Achat']
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf["count"].to_frame()

colFilter = ["Quelle est votre tranche d'âge ?","Qui serait votre principale influence à l'utilisation d'un appareil de suivi des performances ?"]
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf = tempDf[tempDf["count"]>1]
tempDf["count"].to_frame()

colFilter = ["Quelle est votre tranche d'âge ?","Préfèreriez-vous avoir votre propre appareil, ou bien utiliser un appareil présent directement à l'endroit où vous pratiquer votre sport ?"]
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf["count"].to_frame()

colFilter = ["Quelle est votre tranche d'âge ?","Est-ce que l'achat d'un appareil reconditionné / d'occasion, et donc moins cher, vous intéresserait ?"]
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf["count"].to_frame()

colFilter = ["Quelle est votre tranche d'âge ?","Complexe_Simple"]
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf["count"].to_frame()

colFilter = ["Quelle est votre tranche d'âge ?","Achat_Loc"]
tempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])
tempDf["count"].to_frame()
"""

'\ncolFilter = ["Quelle est votre tranche d\'âge ?",\'Montant_Abonnement\']\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf["count"].to_frame()\n\ncolFilter = ["Quelle est votre tranche d\'âge ?",\'Montant_Achat\']\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf["count"].to_frame()\n\ncolFilter = ["Quelle est votre tranche d\'âge ?","Qui serait votre principale influence à l\'utilisation d\'un appareil de suivi des performances ?"]\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf = tempDf[tempDf["count"]>1]\ntempDf["count"].to_frame()\n\ncolFilter = ["Quelle est votre tranche d\'âge ?","Préfèreriez-vous avoir votre propre appareil, ou bien utiliser un appareil présent directement à l\'endroit où vous pratiquer votre sport ?"]\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf["count"].to_frame()\n\ncolFilter = ["Quelle est votre tranche d\'âge ?","Est-ce que l\'achat d\'un appareil reconditionné / d\'occasion, et donc moins cher, vous intéresserait ?"]\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf["count"].to_frame()\n\ncolFilter = ["Quelle est votre tranche d\'âge ?","Complexe_Simple"]\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf["count"].to_frame()\n\ncolFilter = ["Quelle est votre tranche d\'âge ?","Achat_Loc"]\ntempDf=result.groupby(colFilter).count().sort_values(by=colFilter,ascending=[True,True])\ntempDf["count"].to_frame()\n'

Analyse par genre

genres = {}
for i in range (len(result)):
    tempGenre = result["Quel est votre genre ?"].iloc[i]
    if(tempGenre not in genres):
        genres[tempGenre] = 1
    else:
        genres[tempGenre]+=1

genreDict ={}
for curgenres in genres.keys():
    genreDict[curgenres] = result[result["Quel est votre genre ?"]==curgenres]
    genreDict[curgenres].dropna(axis=1,inplace=True,how='all')
    renameCol(genreDict[curgenres])
    genreDict[curgenres].sort_index(axis=1, ascending=False,inplace=True)
    print(f"Il y a eu {len(genreDict[curgenres])} réponses pour le genre {curgenres}")
    
genreDict = dict(sorted(genreDict.items()))
        
delList=[]
minNb = 10
for k in genreDict.keys():
    if(len(genreDict[k])<=minNb):delList.append(k)
      
print("Suppression des données de moins de",minNb)
for i in delList:
    print("Suppression de :",i)
    del genreDict[i]
    
#Graph    
for stat in statNames:
    for k in genreDict.keys():
        genreDict[k].groupby(by=stat).count().sort_values(by='count',ascending=False).plot(kind='pie',y='count',figsize=(5,5),title=f"{stat} pour un(e) {k} -> {len(genreDict[k])} réponses",autopct='%1.1f%%',legend=False)

Il y a eu 66 réponses pour le genre Homme
Il y a eu 60 réponses pour le genre Femme
Il y a eu 3 réponses pour le genre Je ne souhaite pas le préciser
Suppression des données de moins de 10
Suppression de : Je ne souhaite pas le préciser

Analyse par lieu

lieux = {}
for i in range (len(result)):
    tempLieu = result["Quelle est votre principale région de résidence ?"].iloc[i]
    if(tempLieu not in lieux):
        lieux[tempLieu] = 1
    else:
        lieux[tempLieu]+=1

lieuDict ={}
for curLieu in lieux.keys():
    lieuDict[curLieu] = result[result["Quelle est votre principale région de résidence ?"]==curLieu]
    lieuDict[curLieu].dropna(axis=1,inplace=True,how='all')
    renameCol(lieuDict[curLieu])
    lieuDict[curLieu].sort_index(axis=1, ascending=False,inplace=True)
    print(f"Il y a eu {len(lieuDict[curLieu])} réponses pour le lieu {curLieu}")
    
lieuDict = dict(sorted(lieuDict.items()))

delList=[]
minNb = 6
for k in lieuDict.keys():
    if(len(lieuDict[k])<=minNb):delList.append(k)
      
print("Suppression des données de moins de",minNb)
for i in delList:
    #print("Suppression de :",i)
    del lieuDict[i]
    
#Graph
for stat in statNames:
    for k in lieuDict.keys():
        lieuDict[k].groupby(by=stat).count().plot(kind='pie',y='count',figsize=(5,5),title=f"{stat} pour un(e) {k} -> {len(lieuDict[k])} réponses",autopct='%1.1f%%',legend=False)

Il y a eu 67 réponses pour le lieu Île-de-France
Il y a eu 1 réponses pour le lieu Normandie
Il y a eu 1 réponses pour le lieu Uae
Il y a eu 3 réponses pour le lieu Suisse
Il y a eu 7 réponses pour le lieu Auvergne Rhône-Alpes
Il y a eu 9 réponses pour le lieu Liban
Il y a eu 9 réponses pour le lieu Occitanie
Il y a eu 5 réponses pour le lieu Bretagne
Il y a eu 5 réponses pour le lieu Provence-Alpes Côte d'Azur
Il y a eu 4 réponses pour le lieu Hauts-de-France
Il y a eu 8 réponses pour le lieu Bourgogne Franche-Comté
Il y a eu 1 réponses pour le lieu Other country
Il y a eu 2 réponses pour le lieu Kuwait
Il y a eu 3 réponses pour le lieu Nouvelle-Aquitaine
Il y a eu 1 réponses pour le lieu Pays de la Loire
Il y a eu 1 réponses pour le lieu Centre-Val de Loire
Il y a eu 1 réponses pour le lieu Paris
Il y a eu 1 réponses pour le lieu Tunisie 
Suppression des données de moins de 6

Analyse par catégorie socio-professionnelle ?

cats = {}
for i in range (len(result)):
    tempCat = result["Quelle est votre catégorie socio-professionnelle ?"].iloc[i]
    if(tempCat not in cats):
        cats[tempCat] = 1
    else:
        cats[tempCat]+=1

catDict ={}
for curCat in cats.keys():
    catDict[curCat] = result[result["Quelle est votre catégorie socio-professionnelle ?"]==curCat]
    catDict[curCat].dropna(axis=1,inplace=True,how='all')
    renameCol(catDict[curCat])
    catDict[curCat].sort_index(axis=1, ascending=False,inplace=True)
    print(f"Il y a eu {len(catDict[curCat])} réponses pour le lieu {curCat}")
    
catDict = dict(sorted(catDict.items()))

delList=[]
minNb = 5
for k in catDict.keys():
    if(len(catDict[k])<=minNb):delList.append(k)
      
print("Suppression des données de moins de",minNb)
for i in delList:
    #print("Suppression de :",i)
    del catDict[i]
    
#Graph
for stat in statNames:
    for k in catDict.keys():
        catDict[k].groupby(by=stat).count().plot(kind='pie',y='count',figsize=(5,5),title=f"{stat} pour un(e) {k} -> {len(catDict[k])} réponses",autopct='%1.1f%%',legend=False)

Il y a eu 48 réponses pour le lieu Etudiant
Il y a eu 8 réponses pour le lieu Retraité
Il y a eu 24 réponses pour le lieu Employé
Il y a eu 8 réponses pour le lieu Enseignant
Il y a eu 26 réponses pour le lieu Cadre
Il y a eu 2 réponses pour le lieu Militaire
Il y a eu 2 réponses pour le lieu Parent au foyer
Il y a eu 3 réponses pour le lieu Demandeur d'emploi
Il y a eu 2 réponses pour le lieu Artisan / Commerçant
Il y a eu 1 réponses pour le lieu Saisonnier
Il y a eu 2 réponses pour le lieu Profession intérimaire
Il y a eu 1 réponses pour le lieu Architecte d'interieur
Il y a eu 1 réponses pour le lieu Agriculteur
Il y a eu 1 réponses pour le lieu Chef d'entreprise
Suppression des données de moins de 5

Analyse par fréquence

freq = {}
for i in range (len(result)):
    tempCat = result["À quelle fréquence pratiquez-vous une activité sportive ?"].iloc[i]
    if(tempCat not in freq):
        freq[tempCat] = 1
    else:
        freq[tempCat]+=1

freqDict ={}
for curFreq in freq.keys():
    freqDict[curFreq] = result[result["À quelle fréquence pratiquez-vous une activité sportive ?"]==curFreq]
    freqDict[curFreq].dropna(axis=1,inplace=True,how='all')
    renameCol(freqDict[curFreq])
    freqDict[curFreq].sort_index(axis=1, ascending=False,inplace=True)
    print(f"Il y a eu {len(freqDict[curFreq])} réponses pour le lieu {curFreq}")
    
freqDict = dict(sorted(freqDict.items()))

delList=[]
minNb = 5
for k in freqDict.keys():
    if(len(freqDict[k])<=minNb):delList.append(k)
      
print("Suppression des données de moins de",minNb)
for i in delList:
    #print("Suppression de :",i)
    del freqDict[i]
    
#Graph
for stat in statNames:
    for k in freqDict.keys():
        freqDict[k].groupby(by=stat).count().plot(kind='pie',y='count',figsize=(5,5),title=f"{stat} pour un(e) {k} -> {len(freqDict[k])} réponses",autopct='%1.1f%%',legend=False)

Il y a eu 78 réponses pour le lieu Régulièrement chaque semaine
Il y a eu 22 réponses pour le lieu Régulièrement chaque mois
Il y a eu 16 réponses pour le lieu Occasionnellement
Il y a eu 13 réponses pour le lieu Plutôt rarement
Suppression des données de moins de 5

HeatMap

def renameColHeat(df):
    cols = {}
    for i in df.columns:
        if('fréquence' in i):
            cols[i]='Fréquence'
        elif ("influence" in i):
            cols[i]='Influence'
        elif ("âge" in i):
            cols[i]='Age'
        elif ("résidence" in i):
            cols[i]='Lieu'
        elif ("catégorie" in i):
            cols[i]='Catégorie'
        elif ("sport principal" in i):
            cols[i]='Sport Principal'
        elif ("secteur" in i):
            cols[i]='Secteur'
        elif ("genre" in i):
            cols[i]='Genre'
        elif ("propre appareil" in i):
            cols[i]='Possession'
        elif ("compétition" in i):
            cols[i]='Compétition'
        elif ("club sportif" in i):
            cols[i]='Club'
        elif ("utilisez-vous un appareil" in i):
            cols[i]='Utilisation'
        elif ("appareil reconditionné" in i):
            cols[i]='Reconditionné'
    df.rename(columns=cols,inplace=True) 
    return df

heatMapColDrop = ["count","Si non pour quelles raisons ?","Raisons","Si oui quel(s) appareil(s) utilisez-vous ?","Appareils_Utiles"]
resultHeatMap = result.drop(heatMapColDrop,axis=1)
resultHeatMap = renameColHeat(resultHeatMap)
resultHeatMap['Achat_Loc'] = resultHeatMap['Achat_Loc'].map(nanAchat_Loc)
resultHeatMap

	Fréquence	Influence	Age	Lieu	Catégorie	Sport Principal	Secteur	Genre	Possession	Compétition	...	Obstacle_Prix	Obstacle_Mauv_Utilisation	Obstacle_Inutile	Obstacle_Inconfort	Montant_Achat	Montant_Abonnement	Utilisation	Reconditionné	Complexe_Simple	Achat_Loc
0	Régulièrement chaque semaine	Mon entraineur m'en a conseillé un	15-17 ans	Île-de-France	Etudiant	Hockey	Education	Homme	Mon propre appareil	Oui	...	5.0	3.0	2.0	2.0	0-24 euros	0-4,99 euros	Non	Peut-être, cela dépend de l'état du produit	Complet mais complexe	Achat
1	Régulièrement chaque semaine	Mon entraineur m'en a conseillé un	18-24 ans	Île-de-France	Etudiant	Raquettes	Informatique / Télécom	Homme	Mon propre appareil	Non	...	5.0	2.0	2.0	4.0	25-49 euros	0-4,99 euros	Non	Peut-être, cela dépend de l'état du produit	Complet mais complexe	Achat
6	Régulièrement chaque mois	Des sportifs professionnels que j'apprécie l'u...	18-24 ans	Île-de-France	Etudiant	Raquettes	Industrie	Homme	Mon propre appareil	Non	...	5.0	1.0	1.0	1.0	50-99 euros	0-4,99 euros	Non	Oui, s'il fonctionne c'est le principal	Complet mais complexe	Achat
27	Régulièrement chaque semaine	Des amis l'utilisent	18-24 ans	Normandie	Etudiant	Raquettes	Agroalimentaire	Homme	Mon propre appareil	Non	...	5.0	2.0	3.0	2.0	50-99 euros	0-4,99 euros	Oui	Oui, s'il fonctionne c'est le principal	Simplifié mais compréhensible	Achat
29	Occasionnellement	Mon médecin m'en a conseillé un	18-24 ans	Île-de-France	Etudiant	Raquettes	Communication / Marketing	Femme	Mon propre appareil	Non	...	4.0	3.0	3.0	2.0	50-99 euros	0-4,99 euros	Non	Oui, s'il fonctionne c'est le principal	Simplifié mais compréhensible	Achat
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
109	Régulièrement chaque mois	Des sportifs professionnels que j'apprécie l'u...	18-24 ans	Île-de-France	Cadre	Golf	Energie	Homme	Mon propre appareil	Non	...	2.0	3.0	2.0	2.0	50-99 euros	5-9,99 euros	Non	Oui, s'il fonctionne c'est le principal	Complet mais complexe	Achat
111	Régulièrement chaque mois	Des sportifs professionnels que j'apprécie l'u...	35-44 ans	Hauts-de-France	Chef d'entreprise	Golf	Droit	Femme	Un appareil présent sur place	Non	...	4.0	2.0	4.0	3.0	50-99 euros	10-14,99euros	Non	Oui, s'il fonctionne c'est le principal	Complet mais complexe	Achat
112	Occasionnellement	Mon médecin m'en a conseillé un	25-34 ans	Bretagne	Employé	Equestres	Ressources humaines	Femme	Mon propre appareil	Non	...	4.0	5.0	2.0	2.0	50-99 euros	10-14,99euros	Non	Peut-être, cela dépend de l'état du produit	Complet mais complexe	Achat
124	Régulièrement chaque mois	Des amis l'utilisent	15-17 ans	Île-de-France	Etudiant	Equestres	Physique / Mécanique	Femme	Mon propre appareil	Non	...	4.0	3.0	4.0	3.0	25-49 euros	5-9,99 euros	Non	Oui, s'il fonctionne c'est le principal	Complet mais complexe	Achat
125	Régulièrement chaque semaine	Des fédérations sportives professionnelles / c...	15-17 ans	Île-de-France	Etudiant	Equestres	Transport	Homme	Un appareil présent sur place	Oui	...	5.0	2.0	2.0	3.0	0-24 euros	5-9,99 euros	Non	Oui, s'il fonctionne c'est le principal	Complet mais complexe	Location

129 rows × 23 columns

def classToInt(x):
    return x

for col in resultHeatMap.columns:
    tempDict = {}
    count=0
    for i in range (len(resultHeatMap)):
        cur = resultHeatMap[col].iloc[i]
        if cur in tempDict.keys():
            resultHeatMap[col].iloc[i] = tempDict[cur]
        else:
            tempDict[cur] = count
            count+=1
            resultHeatMap[col].iloc[i] = tempDict[cur]
resultHeatMap

	Fréquence	Influence	Age	Lieu	Catégorie	Sport Principal	Secteur	Genre	Possession	Compétition	...	Obstacle_Prix	Obstacle_Mauv_Utilisation	Obstacle_Inutile	Obstacle_Inconfort	Montant_Achat	Montant_Abonnement	Utilisation	Reconditionné	Complexe_Simple	Achat_Loc
0	0	0	0	0	0	0	0	0	0	0	...	0.0	0.0	0.0	0.0	0	0	0	0	0	0
1	0	0	1	0	0	1	1	0	0	1	...	0.0	1.0	0.0	1.0	1	0	0	0	0	0
6	1	1	1	0	0	1	2	0	0	1	...	0.0	2.0	1.0	2.0	2	0	0	1	0	0
27	0	2	1	1	0	1	3	0	0	1	...	0.0	1.0	2.0	0.0	2	0	1	1	1	0
29	2	3	1	0	0	1	4	1	0	1	...	1.0	0.0	2.0	0.0	2	0	0	1	1	0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
109	1	1	1	0	4	13	6	0	0	1	...	3.0	0.0	0.0	0.0	2	2	0	1	0	0
111	1	1	5	9	13	13	13	1	1	1	...	1.0	1.0	3.0	3.0	2	3	0	1	0	0
112	2	3	4	7	2	14	19	1	0	1	...	1.0	4.0	0.0	0.0	2	3	0	0	0	0
124	1	2	0	0	0	14	9	1	0	1	...	1.0	0.0	3.0	3.0	1	2	0	1	0	0
125	0	13	0	0	0	14	5	0	1	0	...	0.0	1.0	0.0	3.0	0	2	0	1	0	1

129 rows × 23 columns

cor=resultHeatMap.corr("pearson") #Correlation of the variables between them
cor

	Fréquence	Influence	Age	Lieu	Catégorie	Sport Principal	Secteur	Genre	Possession	Compétition	...	Obstacle_Prix	Obstacle_Mauv_Utilisation	Obstacle_Inutile	Obstacle_Inconfort	Montant_Achat	Montant_Abonnement	Utilisation	Reconditionné	Complexe_Simple	Achat_Loc
Fréquence	1.000000	-0.101220	0.177353	0.084492	0.052230	0.099060	-0.080584	0.186121	0.188177	0.221064	...	0.160367	0.018642	-0.126458	-0.081198	-0.075794	0.066913	-0.218548	0.003444	0.051237	0.105908
Influence	-0.101220	1.000000	0.184054	0.121942	0.143438	0.072427	-0.046455	-0.014121	-0.076634	0.002186	...	0.109344	-0.081297	0.022999	0.133343	0.027543	-0.024362	0.318336	0.269985	-0.076842	-0.043319
Age	0.177353	0.184054	1.000000	0.216223	0.552841	0.245979	0.165295	0.084058	0.115087	0.259480	...	0.094853	0.099558	0.082517	0.070576	0.204884	0.011601	0.141833	0.089074	-0.031354	-0.033551
Lieu	0.084492	0.121942	0.216223	1.000000	0.231103	0.174508	0.143829	0.055972	-0.020923	0.038549	...	0.128162	-0.026976	0.026113	0.080605	0.059751	0.121263	0.055037	0.045345	-0.026855	0.028638
Catégorie	0.052230	0.143438	0.552841	0.231103	1.000000	0.237357	0.229350	0.054140	0.179545	0.155691	...	0.097933	0.060585	0.120353	0.085762	0.022236	0.111009	-0.036128	0.088486	-0.122479	0.045253
Sport Principal	0.099060	0.072427	0.245979	0.174508	0.237357	1.000000	0.179666	0.022005	0.204276	0.043578	...	0.202928	-0.085957	0.019184	0.031861	-0.052430	0.295270	-0.086180	0.051545	-0.149784	0.141929
Secteur	-0.080584	-0.046455	0.165295	0.143829	0.229350	0.179666	1.000000	0.029989	0.085630	-0.011086	...	-0.000028	0.009675	0.030752	0.086446	0.232580	0.224299	0.099395	0.051635	-0.011673	0.161096
Genre	0.186121	-0.014121	0.084058	0.055972	0.054140	0.022005	0.029989	1.000000	0.099562	0.188209	...	0.019335	-0.066433	0.023608	-0.066719	-0.213364	-0.005724	-0.105475	0.121089	0.246594	-0.029370
Possession	0.188177	-0.076634	0.115087	-0.020923	0.179545	0.204276	0.085630	0.099562	1.000000	-0.057741	...	-0.021555	-0.088292	0.012010	0.094681	-0.271225	0.075341	-0.259936	-0.052573	0.011096	0.343765
Compétition	0.221064	0.002186	0.259480	0.038549	0.155691	0.043578	-0.011086	0.188209	-0.057741	1.000000	...	0.015306	0.001252	0.135811	-0.059819	-0.115697	-0.093092	-0.209178	0.075553	0.258325	-0.089900
Club	0.417611	-0.190444	0.115833	0.061499	0.060621	0.127737	0.019254	0.177019	0.075330	0.326700	...	0.015489	-0.032365	-0.075819	-0.010268	0.006684	-0.011419	-0.097132	-0.032342	0.067818	-0.000722
Obstacle_Visuel	-0.083104	-0.109921	-0.169994	-0.033345	-0.101597	-0.017619	0.052077	0.067751	0.063463	-0.103937	...	0.102119	0.101610	0.099084	0.101463	0.001656	0.131283	0.017928	-0.032803	0.134085	-0.021334
Obstacle_Qualite	-0.040325	-0.028164	0.107628	0.003747	0.171462	0.009984	0.048888	0.062096	-0.113743	0.161755	...	-0.031886	0.294914	0.166488	0.044744	-0.106050	-0.022620	0.095179	-0.068635	0.111347	-0.063098
Obstacle_Prix	0.160367	0.109344	0.094853	0.128162	0.097933	0.202928	-0.000028	0.019335	-0.021555	0.015306	...	1.000000	-0.148111	-0.143269	-0.145102	0.223884	0.277768	0.149062	0.149083	-0.056940	0.046029
Obstacle_Mauv_Utilisation	0.018642	-0.081297	0.099558	-0.026976	0.060585	-0.085957	0.009675	-0.066433	-0.088292	0.001252	...	-0.148111	1.000000	0.299003	0.191744	-0.042738	-0.056276	-0.110089	0.093740	0.043968	-0.049600
Obstacle_Inutile	-0.126458	0.022999	0.082517	0.026113	0.120353	0.019184	0.030752	0.023608	0.012010	0.135811	...	-0.143269	0.299003	1.000000	0.221418	-0.010366	0.056437	-0.154630	0.060930	0.062471	0.040043
Obstacle_Inconfort	-0.081198	0.133343	0.070576	0.080605	0.085762	0.031861	0.086446	-0.066719	0.094681	-0.059819	...	-0.145102	0.191744	0.221418	1.000000	-0.021136	-0.080819	-0.003675	-0.008969	-0.096725	0.084076
Montant_Achat	-0.075794	0.027543	0.204884	0.059751	0.022236	-0.052430	0.232580	-0.213364	-0.271225	-0.115697	...	0.223884	-0.042738	-0.010366	-0.021136	1.000000	0.261978	0.416346	0.022950	-0.221303	-0.074110
Montant_Abonnement	0.066913	-0.024362	0.011601	0.121263	0.111009	0.295270	0.224299	-0.005724	0.075341	-0.093092	...	0.277768	-0.056276	0.056437	-0.080819	0.261978	1.000000	0.141215	-0.016668	-0.181645	0.273706
Utilisation	-0.218548	0.318336	0.141833	0.055037	-0.036128	-0.086180	0.099395	-0.105475	-0.259936	-0.209178	...	0.149062	-0.110089	-0.154630	-0.003675	0.416346	0.141215	1.000000	-0.113480	-0.060444	-0.231964
Reconditionné	0.003444	0.269985	0.089074	0.045345	0.088486	0.051545	0.051635	0.121089	-0.052573	0.075553	...	0.149083	0.093740	0.060930	-0.008969	0.022950	-0.016668	-0.113480	1.000000	0.051695	0.089603
Complexe_Simple	0.051237	-0.076842	-0.031354	-0.026855	-0.122479	-0.149784	-0.011673	0.246594	0.011096	0.258325	...	-0.056940	0.043968	0.062471	-0.096725	-0.221303	-0.181645	-0.060444	0.051695	1.000000	-0.092838
Achat_Loc	0.105908	-0.043319	-0.033551	0.028638	0.045253	0.141929	0.161096	-0.029370	0.343765	-0.089900	...	0.046029	-0.049600	0.040043	0.084076	-0.074110	0.273706	-0.231964	0.089603	-0.092838	1.000000

23 rows × 23 columns

c = resultHeatMap.corr("pearson").abs()
s = c.unstack()
so = s.sort_values(kind="quicksort")
so = so[so!=1]
so.tail(16)

Montant_Abonnement         Sport Principal              0.295270
Sport Principal            Montant_Abonnement           0.295270
Obstacle_Mauv_Utilisation  Obstacle_Inutile             0.299003
Obstacle_Inutile           Obstacle_Mauv_Utilisation    0.299003
Influence                  Utilisation                  0.318336
Utilisation                Influence                    0.318336
Club                       Compétition                  0.326700
Compétition                Club                         0.326700
Achat_Loc                  Possession                   0.343765
Possession                 Achat_Loc                    0.343765
Montant_Achat              Utilisation                  0.416346
Utilisation                Montant_Achat                0.416346
Fréquence                  Club                         0.417611
Club                       Fréquence                    0.417611
Catégorie                  Age                          0.552841
Age                        Catégorie                    0.552841
dtype: float64

import numpy as np 
from pandas import DataFrame
import seaborn as sns
%matplotlib inline

fig, ax = plt.subplots(figsize=(20,15))   
sns.heatmap(cor, annot=True,ax=ax,cmap='Blues')

<AxesSubplot:>